(Kredit: Christoph Burgstedt/Shutterstock)
Meskipun Hadiah Nobel dalam bidang fisika dan kimia diberikan secara terpisah, terdapat hubungan yang menarik antara penelitian pemenang di bidang tersebut pada tahun 2024. Penghargaan fisika diberikan kepada dua ilmuwan komputer yang meletakkan dasar bagi pembelajaran mesin, sementara para pemenang bidang kimia diberi penghargaan atas penghargaan tersebut. penggunaan pembelajaran mesin untuk memecahkan salah satu misteri terbesar biologi: bagaimana protein melipat.
Hadiah Nobel tahun 2024 menggarisbawahi pentingnya jenis kecerdasan buatan ini dan bagaimana sains saat ini sering kali melintasi batas-batas tradisional, memadukan berbagai bidang untuk mencapai hasil yang inovatif.
Tantangan pelipatan protein
Protein adalah mesin molekuler kehidupan. Mereka membentuk sebagian besar tubuh kita, termasuk otot, enzim, hormon, darah, rambut, dan tulang rawan.
Memahami struktur protein sangat penting karena bentuknya menentukan fungsinya. Pada tahun 1972, Christian Anfinsen memenangkan Hadiah Nobel bidang kimia karena menunjukkan bahwa urutan bahan penyusun asam amino suatu protein menentukan bentuk protein, yang pada gilirannya mempengaruhi fungsinya. Jika protein tidak terlipat dengan benar, protein tersebut mungkin tidak berfungsi dengan baik dan dapat menyebabkan penyakit seperti Alzheimer, fibrosis kistik, atau diabetes.
Bentuk keseluruhan protein bergantung pada interaksi kecil, gaya tarik-menarik dan tolak-menolak, antara semua atom dalam asam amino penyusunnya. Ada yang ingin bersama, ada pula yang tidak. Protein memelintir dan melipat dirinya menjadi bentuk akhir berdasarkan ribuan interaksi kimia ini.
Selama beberapa dekade, salah satu tantangan terbesar dalam biologi adalah memprediksi bentuk protein hanya berdasarkan rangkaian asam aminonya. Meskipun para peneliti sekarang dapat memprediksi bentuknya, kita masih belum memahami bagaimana protein bermanuver menjadi bentuk spesifiknya dan meminimalkan tolakan semua interaksi antar atom dalam beberapa mikrodetik.
Untuk memahami cara kerja protein dan mencegah kesalahan lipatan, para ilmuwan memerlukan cara untuk memprediksi cara protein melipat, namun memecahkan teka-teki ini bukanlah tugas yang mudah.
Pada tahun 2003, ahli biokimia Universitas Washington David Baker menulis Rosetta, sebuah program komputer untuk merancang protein. Dengan itu ia menunjukkan bahwa masalah pelipatan protein dapat dibalik dengan merancang bentuk protein dan kemudian memprediksi urutan asam amino yang diperlukan untuk membuatnya.
Itu adalah lompatan maju yang fenomenal, tetapi bentuk yang dipilih untuk perhitungannya sederhana, dan perhitungannya rumit. Pergeseran paradigma besar diperlukan untuk merancang protein baru secara rutin dengan struktur yang diinginkan.
Era baru pembelajaran mesin
Pembelajaran mesin adalah jenis AI di mana komputer belajar memecahkan masalah dengan menganalisis data dalam jumlah besar. Ini telah digunakan di berbagai bidang, mulai dari permainan dan pengenalan suara hingga kendaraan otonom dan penelitian ilmiah. Ide di balik pembelajaran mesin adalah menggunakan pola tersembunyi dalam data untuk menjawab pertanyaan kompleks.
Pendekatan ini membuat lompatan besar pada tahun 2010 ketika Demis Hassabis mendirikan DeepMind, sebuah perusahaan yang bertujuan menggabungkan ilmu saraf dengan AI untuk memecahkan masalah dunia nyata.
Hassabis, seorang ahli catur pada usia 4 tahun, dengan cepat menjadi berita utama dengan AlphaZero, AI yang belajar sendiri bermain catur pada tingkat manusia super. Pada tahun 2017, AlphaZero benar-benar mengalahkan program catur komputer terbaik dunia, Stockfish-8. Kemampuan AI untuk belajar dari alur permainannya sendiri, dibandingkan mengandalkan strategi yang sudah diprogram, menandai titik balik dalam dunia AI.
Segera setelah itu, DeepMind menerapkan teknik serupa ke Go, sebuah permainan papan kuno yang terkenal dengan kompleksitasnya yang luar biasa. Pada tahun 2016, program AI-nya AlphaGo mengalahkan salah satu pemain top dunia, Lee Sedol, dalam pertandingan yang ditonton secara luas dan mengejutkan jutaan orang.
Pada tahun 2016, Hassabis mengalihkan fokus DeepMind ke tantangan baru: masalah pelipatan protein. Di bawah kepemimpinan John Jumper, seorang ahli kimia dengan latar belakang ilmu protein, proyek AlphaFold dimulai. Tim tersebut menggunakan database besar struktur protein yang ditentukan secara eksperimental untuk melatih AI, yang memungkinkannya mempelajari prinsip pelipatan protein. Hasilnya adalah AlphaFold2, AI yang dapat memprediksi struktur 3D protein dari rangkaian asam aminonya dengan akurasi luar biasa.
Ini merupakan terobosan ilmiah yang signifikan. AlphaFold telah memperkirakan struktur lebih dari 200 juta protein – pada dasarnya semua protein yang telah diurutkan oleh para ilmuwan hingga saat ini. Basis data struktur protein yang sangat besar ini sekarang tersedia secara gratis, sehingga mempercepat penelitian di bidang biologi, kedokteran, dan pengembangan obat.
Perancang protein untuk melawan penyakit
Memahami bagaimana protein melipat dan berfungsi sangat penting untuk merancang obat baru. Enzim, sejenis protein, bertindak sebagai katalis dalam reaksi biokimia dan dapat mempercepat atau mengatur proses ini. Untuk mengobati penyakit seperti kanker atau diabetes, peneliti sering kali menargetkan enzim tertentu yang terlibat dalam jalur penyakit. Dengan memprediksi bentuk suatu protein, para ilmuwan dapat mengetahui di mana molekul kecil – calon obat potensial – dapat berikatan dengannya, yang merupakan langkah pertama dalam merancang obat-obatan baru.
Pada tahun 2024, DeepMind meluncurkan AlphaFold3, versi terbaru dari program AlphaFold yang tidak hanya memprediksi bentuk protein tetapi juga mengidentifikasi lokasi pengikatan potensial untuk molekul kecil. Kemajuan ini memudahkan para peneliti untuk merancang obat yang secara tepat menargetkan protein yang tepat.
Google membeli Deepmind dengan harga sekitar setengah miliar dolar pada tahun 2014. Google DeepMind kini telah memulai usaha baru, Isomorphic Labs, untuk berkolaborasi dengan perusahaan farmasi dalam pengembangan obat dunia nyata menggunakan prediksi AlphaFold3 ini.
Sementara itu, David Baker terus memberikan kontribusi yang signifikan terhadap ilmu protein. Timnya di Universitas Washington mengembangkan metode berbasis AI yang disebut “halusinasi seluruh keluarga”, yang mereka gunakan untuk merancang protein baru dari awal. Halusinasi adalah pola baru – dalam hal ini, protein – yang masuk akal, artinya pola tersebut cocok dengan pola dalam data pelatihan AI. Protein baru ini mencakup enzim pemancar cahaya, yang menunjukkan bahwa pembelajaran mesin dapat membantu menciptakan protein sintetik baru. Alat AI ini menawarkan cara baru untuk merancang enzim fungsional dan protein lain yang tidak mungkin berevolusi secara alami.
AI akan memungkinkan bab penelitian berikutnya
Prestasi Hassabis, Jumper, dan Baker yang meraih penghargaan Nobel menunjukkan bahwa pembelajaran mesin bukan hanya alat bagi para ilmuwan komputer – pembelajaran mesin kini menjadi bagian penting dari masa depan biologi dan kedokteran.
Dengan mengatasi salah satu masalah tersulit dalam biologi, para pemenang penghargaan tahun 2024 ini telah membuka kemungkinan-kemungkinan baru dalam penemuan obat, pengobatan yang dipersonalisasi, dan bahkan pemahaman kita tentang kimia kehidupan itu sendiri.
